已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-Ray Image

特征(语言学) 编码(集合论) 计算机科学 卷积(计算机科学) 人工智能 特征提取 模式识别(心理学) 图像(数学) 焊接 卷积神经网络 人工神经网络 计算机视觉 工程类 机械工程 哲学 集合(抽象数据类型) 程序设计语言 语言学
作者
Moyun Liu,Youping Chen,Jingming Xie,Lei He,Yang Zhang
出处
期刊:IEEE Sensors Journal [Institute of Electrical and Electronics Engineers]
卷期号:23 (7): 7430-7439 被引量:38
标识
DOI:10.1109/jsen.2023.3247006
摘要

X-ray image plays an important role in manufacturing industry for quality assurance, because it can reflect the internal condition of weld region. However, the shape and scale of different defect types vary greatly, which makes it challenging for model to detect weld defects. In this article, we propose a weld defect detection method based on convolution neural network (CNN), namely, lighter and faster YOLO (LF-YOLO). In particular, a reinforced multiscale feature (RMF) module is designed to implement both parameter-based and parameter-free multiscale information extracting operations. RMF enables the extracted feature map to represent more plentiful information, which is achieved by a superior hierarchical fusion structure. To improve the performance of detection network, we propose an efficient feature extraction (EFE) module. EFE processes input data with extremely low consumption and improves the practicability of whole network in actual industry. Experimental results show that our weld defect detection network achieves satisfactory balance between performance and consumption and reaches 92.9 mean average precision (mAP50) with 61.5 frames/s. To further prove the ability of our method, we test it on the public dataset MS COCO, and the results show that our LF-YOLO has an outstanding versatility detection performance. The code is available at https://github.com/lmomoy/LF-YOLO .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Jasper应助L756561205采纳,获得10
2秒前
aiyoo完成签到,获得积分20
4秒前
科目三应助冯吒采纳,获得10
5秒前
qiuqiu完成签到 ,获得积分10
5秒前
情怀应助哭泣的问筠采纳,获得10
7秒前
8秒前
9秒前
10秒前
11秒前
yzx完成签到,获得积分20
12秒前
Apple发布了新的文献求助10
12秒前
今麦郎发布了新的文献求助10
14秒前
L756561205发布了新的文献求助10
15秒前
子涵完成签到,获得积分10
16秒前
吃花生不吃花生米完成签到,获得积分10
17秒前
lemon完成签到,获得积分10
18秒前
20秒前
20秒前
21秒前
23秒前
Ufoab关注了科研通微信公众号
23秒前
震动的白山完成签到 ,获得积分10
23秒前
121314wld发布了新的文献求助10
25秒前
羊羊羊xxi发布了新的文献求助10
25秒前
26秒前
28秒前
老白发布了新的文献求助30
29秒前
空白完成签到 ,获得积分10
30秒前
彭于晏应助121314wld采纳,获得10
32秒前
Apple完成签到,获得积分10
33秒前
JamesPei应助Baekhyun采纳,获得10
33秒前
zhangyunyun完成签到,获得积分10
33秒前
34秒前
领导范儿应助wyj采纳,获得10
34秒前
35秒前
冯吒发布了新的文献求助10
39秒前
粘屁屁完成签到,获得积分20
41秒前
科研通AI2S应助粘屁屁采纳,获得10
45秒前
46秒前
47秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3186482
求助须知:如何正确求助?哪些是违规求助? 2836756
关于积分的说明 8011034
捐赠科研通 2499099
什么是DOI,文献DOI怎么找? 1334088
科研通“疑难数据库(出版商)”最低求助积分说明 637023
邀请新用户注册赠送积分活动 605004